Block şirkəti tərəfindən dəniə çıxarılan Dessa adlı səs modeli, süni intellekt sahəsində əhəmiyyətli bir irəliləyişi təmsil edir. Model, tamamilə insan nitqinin üzərində öyrənilmiş və tək NVIDIA GPU-da işləyən bir sistem olaraq, səsli kommunikasiyanın gələcəyini dəyişə biləcək imkanlar sunur.
Dessa Nədir və Necə İşləyir?
Dessa, tam-dupleks bir səs modelidir, yəni bütün zamanda eyni vaxtda danışa və dinləyə bilir. Bu xüsusiyyət onu bu il OpenAI-ın buraxdığı GPT-Live modeli ilə bir səviyyəyə qaldırır. Klassik səs modelləri, məlumat əldə etmək üçün adətən böyük dil modeli ilə birləşdirilir, lakin Dessa-nın bilgi bazası birbaşa öyrənildiyi söhbət məlumatlarından qaynaqlanır. Model tək bir NVIDIA GPU rack-ində tam öyrənilmişdir, bu isə onu çox effektiv və pərakəndə istifadəçilər üçün əlçatan edir.
İnsan Səsinə Bənzər Emosional İfadə
Blok-un tədqiqatçıları, Dessa-nın insana oxşar şəkildə duygularını ifadə etdiyi çoxsaylı söhbət nümunələrini yayımlamışlar. Müxtəlif səslər, ritm dəyişiklikləri və emosional tonalılıqla, model iş məpələyindən söhbət edərkən yorğun səslə danışmaqdan tutmuş, emosional anlar əsəkləyə bilinən anlamlı cavablar verə bilir. Bu emosiyaların modelin arxitekturasına daxili olaraq qurulmuş olması, Block-un iddia etdiyi kimi, səsi mətinə çevirmə prosesinin ortadan qaldırılmasıyla mümkün olmuşdur.
Mövcud Səs Modellərinə Qarşı Üstünlüklər
Mövcud səs texnologiyaları, məsələn ElevenLabs v4 və ya Fish Audio Drama 3, emosiyaları yaratmaq üçün səs etiketlərindən istifadə edir. Block-un rəhbərliyi iddia edir ki, bu yanaşma təbiətən qeyri-təbii və tat qeyridə biçən nəticələr verir. Səsi mətinə çevirmə və sonra yenidən səsə çevirmə prosesində əhəmiyyətli məlumatlar itə bilir. Dessa-nın əsas innovasiyası, doğrudan doğru səs-to-səs modelinin istifadəsi ilə, insan kommunikasiyasının nuanslarını, təbii pauzaları və emosional zənginliyi saxlamasıdır.
Məhdudiyyətlər və Təhlükəsizlik Məsələləri
Hazırda Dessa-nın ictimai girişi yoxdur. Block, model-in potensial risklərini qiymətləndirmək üçün təhlükəsizlik tədqiqatçılarını çağırışdır. Əsas narahatlıq, insan səsinə çoxdan bənzər olan bir sistem-in insanları aldada biləcəyi ssenaridir. Bu, saxta zənglərdən tutuş manipulyasiya cəhdlərinə qədər uzanan bir spektri əhatə edir. Block-un bu məsələyə ciddi yaxınlaşması, əhlaqi AI inkişafının nə qədər vacib olduğunu göstərir.
Praktik Tətbiqetmə Imkanları
Block əsasən maliyə və kiçik biznesləri xidmətləndirmə sahəsində məşğuldur. Square kimi platformalar artıq səsli AI-dan sifariş qəbulu üçün istifadə edir. Dessa kimi yerində işləyən model sayəsində, işletmələr daha sənətkar bir istifadəçi təcrübəsi yarada bilər, eyni zamanda xərc azalıdırlar. MacBook M4 Max və daha yüksək versiyalar kimi istehlak səviyyəsi kompüterlərdə işləməsi, bu texnologiyanı kiçik bizneslər üçün real olaraq əlçatan edir.
Data və AI Mütəxəssisləri Üçün Praktik Nəticə
Dessa yanaşması, makine öyrənməsi mühəndisləri və AI tədqiqatçıları üçün vacib bir dərsdən ibarətdir: xalq məlumatı qorumaq və prosessləri sadələşdirmək adətən daha yaxşı nəticələr verir. Səs-to-səs modelləmə, şəbəkədə məlumat itməsini aradan qaldırır. Bu prinsip, başqa sahələrdə də tətbiq edilə bilər. Eyni zamanda, modellərin təhlükəsizliyi və etikası, istifadəçi etimadını qorumanın ayrılmaz hissəsidir.
Mənbə: TechCrunch AI